（作业）svm

目录

svm与knn对比

svm原理

svm在百度飞桨的运行截图

---

svm与knn对比

相似点：都是分类算法

不同点：分类依据不同（svm是划定一个线性边界，再对未知量进行分类；knn是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别）

svm：

knn：

---

 svm原理

“三八线”可以看作二维空间中SVM的形象解释，它传递出了以下几点重要的信息：

1.是一条直线（线性函数）；

2.能将桌面分为两个部分，分别属于你和我（具有分类功能，是一种二值分类）；

3.位于课桌正中间，不偏向任何一方（注重公平原则，才能保证双方利益最大化）。

以上三点也正是SVM分类器的中心思想所在。这是因为：SVM本质模型是特征空间中最大化间隔的线性分类器，是一种二分类模型。
首先，线性分类器指的就是线性函数；其次，最大化间隔离不开公平原则；再者，其解决的是二值分类问题（分两类）；而特征空间则表明了其学习分类的对象是样本的特征数据。

之所以叫支持向量机，因为其核心理念是：支持向量样本会对识别的问题起关键性作用。那什么是支持向量（Support vector）呢？支持向量也就是离分类超平面（Hyper plane）最近的样本点。

如下图所示，有两类样本数据（橙色和蓝色的小圆点），中间的红线是分类超平面，两条虚线上的点（橙色圆点3个和蓝色圆点2个）是距离超平面最近的点，这些点即为支持向量。简单地说，作为支持向量的样本点非常非常重要，以至于其他的样本点可以视而不见。而这个分类超平面正是SVM分类器，通过这个分类超平面实现对样本数据一分为二。
 

 

线性可分的时候，我们有很多条线(超平面)可以把这两类区分开。我们需要找到最优的超平面，即以这个超平面划分能让我们的数据尽可能的分开。所以支持向量机就是来求这个超平面的。尽可能分开的意思是:这两组数据离这个超平面最近的距离最大。

---

svm在百度飞桨的运行截图

 构建模型

# SVM分类器构建
def classifier():
    clf = svm.SVC(C=0.5,                            # 误差惩罚系数，默认1
                  kernel='linear',                  # 线性核
                  decision_function_shape='ovr')    # 决策函数
    return clf

 训练模型

def train(clf, x_train, y_train):   #将训练数据导入，将分类器参数导入，进行模型训练
    clf.fit(x_train,        #训练集特征向量
            y_train.ravel())  #训练集目标值
 
 
# 2 定义模型 SVM模型定义
clf = classifier()
# 3 训练模型
train(clf, x_train, y_train)